Depuis les cinq dernières années, les projets Data Science et d’intelligence artificielle connaissent une forte croissance dans des domaines très variés, tels que l’industrie pétrolière, la téléphonie, la distribution, la banque, la finance et les services. Les récentes évolutions technologiques permettent de faire évoluer ces projets vers la mise en place de véritables solutions d’intelligence artificielle. La réalisation de ces projets nécessite de former des équipes de « Data-Engineers » et de « Data Scientists » pour lesquelles il est nécessaire de conjuguer l’acquisition des compétences techniques et méthodologiques, l’expérience des cas concrets et surtout, un parcours d’apprentissage jalonné.
Les principales compétences visées par cette certification sont celles nécessaires à la mise en œuvre des activités suivantes :
Réaliser une Analyse exploratoire et multivariée complète des données émettre et tester des hypothèses, faire des inférences sur les données. Réaliser des jeux de données de modélisation et de test
Identifier et sélectionner des algorithmes de base à utiliser pour la modélisation en adéquation avec les jeux de données et l'objectif souhaité. Adapter la complexité des algorithmes à la complexité des données
Prototyper les modèles de DataScience en utilisant les algorithmes et les jeux de données sélectionnés
Restituer aux interlocuteurs métiers les perspectives et les interprétations basées sur les premiers résultats des modèles
Compétences attestées
Maîtriser les principales méthodes de réduction de dimension non supervisées, et en particulier l'Analyse en composantes principales et l'analyse en correspondances multiples
Maîtriser les principales méthodes de clustering et de typologies non supervisées, en particulier les méthodes hiérarchiques et les méthodes de type K-Means
Maîtriser l'analyse statistique des corrélations, de leur validité et des corrélations partielles
Savoir créer un jeu de données pertinent dans une stratégie de cross validation, savoir utiliser les différentes méthodes d'échantillonnage associées, et savoir éviter un biais dans les données d'apprentissage
Maîtriser les tests de Student, les différentes méthodes de test d'hypothèses et la notion de p-value associée à différents tests statistiques
Connaitre les différentes formes d'apprentissage machine, les grandes familles d'algorithmes qui en dépendent, et leurs cas d'application métier
Savoir utiliser les lois d'apprentissage des algorithmes et les règles de Vapnik associées, savoir éviter l'under fitting et l'over fitting
Connaître les principaux algorithmes de DataScience (du domaine public) et leurs applications dans chaque grande famille d'algorithmes
Savoir utiliser les principales librairies de DataScience en Python avec les environnements de développement intégrés et les workflows pour prototyper les modèles
Être capable d'assembler la chaîne de traitement des différents modèles en utilisant les principaux outils de DataScience que ce soit en mode workflow, en mode notebook ou en mode programmation
Savoir optimiser le compromis explicabilité et traçabilité des algorithmes versus sa précision
Savoir documenter les modèles avec Jupyter Notebook
Être capable d'illustrer les résultats du modèles grâce à des graphiques spécialisées compréhensibles par les métiers
Savoir sélectionner les observations qui illustrent le comportement typique des modèles
Savoir interpréter les résultats des différents modèles et en expliquer les résultats
Savoir utiliser des modèles explicatifs pour pouvoir rendre traçables et explicables des modèles complexes
Voie d'accès à la certification
Voie d'accèsOuverte
Formation initialeNon
Formation continueOui
ApprentissageNon
Contrat de professionnalisationNon
Candidature individuelleNon
VAENon
Composition du jury — Formation continue
Le jury est présidé par un data-scientist confirmé. Il établit la composition du jury qui sera composée d’au minimum 4 consultants-experts des domaines couverts par le certificat et du directeur de Business & Decision University. Les membres du jury peuvent être des formateurs du certificat, mais dans tous les cas plus de 50% des membres du jury seront des personnes extérieures à l’organisation et si des formateurs participent au jury, leur voix sera strictement consultative.